Python机器学习：使用MLPRegressor进行回归预测及R^2评估

使用Python和MLPRegressor进行回归预测

本示例演示如何使用Python中的sklearn.neural_network模块构建多层感知机回归模型 (MLPRegressor)，并使用model.score方法计算模型的R^2分数来评估模型性能。

代码示例:

import pandas as pd
from sklearn.neural_network import MLPRegressor

# 读取训练和测试数据
train_data = pd.read_csv('data_tr.txt')
test_data = pd.read_csv('data_te.txt')

# 准备特征和目标变量
X_train = train_data[['x1', 'x2']]
X_test = test_data[['x1', 'x2']]
y_train = train_data['y']
y_test = test_data['y']

# 创建MLPRegressor模型
model = MLPRegressor(hidden_layer_sizes=(100,), max_iter=1000)

# 训练模型
model.fit(X_train, y_train)

# 进行预测
y_pred = model.predict(X_test)

# 计算R^2分数
score = model.score(X_test, y_test)
print('R^2 score:', score)

代码说明:

1. 首先，我们导入必要的库：pandas用于数据处理，sklearn.neural_network用于创建MLPRegressor模型。
2. 然后，我们读取训练和测试数据，并准备特征 (X) 和目标变量 (y)。
3. 接下来，我们创建一个MLPRegressor模型，并设置hidden_layer_sizes参数以定义隐藏层的数量和大小，max_iter参数设置最大迭代次数。
4. 使用训练数据训练模型。
5. 使用测试数据进行预测。
6. 最后，我们使用model.score方法计算模型的R^2分数，并将结果打印出来。

注意:

在回归问题中，accuracy_score函数不适用，因为它用于评估分类模型的性能。对于回归问题，R^2分数是一个更合适的指标，它表示模型对目标变量的解释能力。R^2分数越接近1，表示模型的拟合效果越好。